基于范例的高性能图像超分辨率
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·超分辨率概述 | 第11页 |
| ·多帧超分辨率 | 第11-15页 |
| ·观测模型 | 第11-13页 |
| ·非均匀插值法 | 第13页 |
| ·频域法 | 第13-14页 |
| ·正则化重建法 | 第14-15页 |
| ·单帧超分辨率 | 第15-19页 |
| ·基于插值的方法 | 第15-16页 |
| ·基于重现的方法 | 第16页 |
| ·基于正则化的方法 | 第16-18页 |
| ·基于范例的方法 | 第18-19页 |
| ·本文结构 | 第19-20页 |
| 第二章 基于范例的超分辨率 | 第20-39页 |
| ·引言 | 第20-21页 |
| ·关于模型和范例的哲学思辨 | 第20页 |
| ·计算机视觉：从模型到范例 | 第20-21页 |
| ·范例的使用方法 | 第21页 |
| ·底层视觉学习 | 第21-28页 |
| ·核心思想 | 第21-22页 |
| ·训练 | 第22-24页 |
| ·学习 | 第24-26页 |
| ·马尔可夫网络 | 第26-27页 |
| ·置信传播算法 | 第27-28页 |
| ·改进学习的方法 | 第28-35页 |
| ·图像基元 | 第28-30页 |
| ·邻域嵌入 | 第30-32页 |
| ·稀疏表示 | 第32-33页 |
| ·核岭回归 | 第33-35页 |
| ·本文的主要工作及贡献 | 第35-39页 |
| 第三章 利用特征增强的超分辨率 | 第39-56页 |
| ·引言 | 第39-41页 |
| ·特征增强 | 第41-46页 |
| ·下采样中的能量损失 | 第41-43页 |
| ·稀疏先验去模糊 | 第43-45页 |
| ·积分预滤波插值 | 第45-46页 |
| ·特征信息转移 | 第46页 |
| ·超分辨率实现 | 第46-49页 |
| ·方案框架 | 第46-48页 |
| ·特征匹配 | 第48-49页 |
| ·实验结果 | 第49-56页 |
| ·主观质量评测 | 第49-50页 |
| ·客观质量评测 | 第50页 |
| ·算法复杂度 | 第50-56页 |
| 第四章 利用软信息和软判决的超分辨率 | 第56-75页 |
| ·引言 | 第56-57页 |
| ·软信息 | 第57-62页 |
| ·三元组数据库构造 | 第57-58页 |
| ·基元图像块的分布 | 第58-62页 |
| ·软判决 | 第62-67页 |
| ·超分辨率中的Tanner 图 | 第62页 |
| ·初始化 | 第62-65页 |
| ·检验节点到变量节点的消息传递 | 第65-66页 |
| ·变量节点到检验节点的消息传递 | 第66-67页 |
| ·实验结果 | 第67-75页 |
| ·客观质量评测 | 第67-68页 |
| ·主观质量评测 | 第68页 |
| ·算法收敛性 | 第68-75页 |
| 第五章 具有鲁棒性的网络图像与视频超分辨率 | 第75-97页 |
| ·引言 | 第75-76页 |
| ·压缩图像超分辨率 | 第76-79页 |
| ·问题描述 | 第76-77页 |
| ·范例学习的局限性 | 第77-78页 |
| ·PDE 正则化 | 第78-79页 |
| ·自适应正则化 | 第79-85页 |
| ·正则化中的能量变化 | 第79-82页 |
| ·范例匹配的准确性 | 第82-83页 |
| ·训练数据库回访 | 第83-84页 |
| ·算法思想讨论 | 第84-85页 |
| ·压缩视频超分辨率 | 第85-88页 |
| ·方案框架 | 第85-86页 |
| ·正则化的帧间相互作用 | 第86-87页 |
| ·时域-空域一致性优化 | 第87-88页 |
| ·实验结果 | 第88-97页 |
| ·压缩图像超分辨率结果 | 第88-89页 |
| ·压缩视频超分辨率结果 | 第89页 |
| ·方案适用性 | 第89-90页 |
| ·算法复杂度 | 第90-97页 |
| 第六章 结论 | 第97-100页 |
| ·本文工作总结 | 第97-98页 |
| ·未来工作展望 | 第98-100页 |
| 参考文献 | 第100-108页 |
| 致谢 | 第108-109页 |
| 在读期间发表的学术论文与取得的其它研究成果 | 第109-111页 |
